CN107680111A - 一种基于灰度图像的加工区域提取方法 - Google Patents

一种基于灰度图像的加工区域提取方法 Download PDF

Info

Publication number
CN107680111A
CN107680111A CN201710858337.XA CN201710858337A CN107680111A CN 107680111 A CN107680111 A CN 107680111A CN 201710858337 A CN201710858337 A CN 201710858337A CN 107680111 A CN107680111 A CN 107680111A
Authority
CN
China
Prior art keywords
pixel
map
gray
boundary
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710858337.XA
Other languages
English (en)
Inventor
郭保苏
范琰琰
梁卓
陈建超
吴凤和
李永欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201710858337.XA priority Critical patent/CN107680111A/zh
Publication of CN107680111A publication Critical patent/CN107680111A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于灰度图像的加工区域提取方法，其内容包括：将自由曲面的原始模型离散成Z‑map模型，使用灰度图像膨胀技术，得到的Z‑map二值图像，得到带边界像素值的Z‑map灰度图像，提取出只带有边界的灰度像素得到Z‑map灰度边界像素图像，将其细分得到Z‑map灰度像素边界细分图像；将其编码得到相应的加工区域边界的图像。本发明的有益效果是：本发明解决了自由曲面加工区域提取困难的问题，以及二值图像在膨胀之后导致提取的精度不足的问题；而且提高了自由曲面加工过程中的加工区域边界的提取精度。

Description

一种基于灰度图像的加工区域提取方法
技术领域
本发明涉及一种分层铣削和3D打印的加工区域提取方法，尤其涉及一种基于灰度图像的加工区域提取方法。
背景技术
随着计算机图形学、CAD/CAM等技术的不断发展，分层铣削和3D打印作为最重要的自由曲面加工方式，在生物医学修复体制备、航空航天、造船、汽车等领域的应用越来越广泛。而加工区域边界是分层铣削和3D打印扫描路径的基础，所以研究自由曲面的加工区域提取技术具有重要的理论和现实意义。
加工区域即分层加工时每一层的加工范围，通常由加工内边界和外边界来确定。内边界是指当前加工层所在平面与加工模型的交线。外边界是指模型最大轮廓线在当前切削层的投影轮廓向外偏置后得到的轮廓线。对分层铣削而言加工区域是指分层加工时，每一层加工内、外边界之间的平面区域。加工内边界是指当前加工层所在平面与加工模型的交线；加工外边界是指“掏洞”加工的加工边界轮廓。对于3D打印区域是即当前切片层所在平面与加工模型的交线。如图10所示为加工区域与加工区域边界示意图。
自由曲面形态特征复杂，局部细节特征多，直接在原始曲面模型上计算加工区域相对简化模型上计算复杂、费时，不符合高效加工编程的要求。在现有的自由曲面加工区域提取算法可以分为两类：基于原始模型的算法和基于Z-map模型的算法。
基于原始模型的算法，在分层铣削中使用等截面法来生成刀具轨迹以及加工区域；在3D打印领域主要使用网格切片法来计算加工区域。基于原始模型的算法虽然也解决了求解加工区域的目的，但是由于与原始模型求交计算非常复杂，尤其是在曲面为组合曲面时计算难度将进一步加大。
为了简化加工区域提取过程，Z-map模型这种特殊规则的离散模型被引入。Z-map模型可以看做一个矩阵，矩阵元素是Z-map模型中对应的Z坐标，这种模型鲁棒性好，表达、计算简单，被广泛用于数控加工编程、仿真。通过用平面与Z-map模型而不是原始曲面模型求交的方法大大简化了加工区域提取的难度。
Z-map模型存储在矩阵里面，通过判断结点对应的矩阵元素与截面的Z坐标的位置关系，可以将当前层的Z-map模型转化为二值图像。在截面之上的点对应的像素值为“1”，否则为“0”。由于使用二值图像不能正确提取加工边界，之后又提出了对Z-map二值图像进行膨胀处理，然后提取加工区域，提高了加工区域提取精度，算法在二值图像膨胀时会产生膨胀像素重合而丢失边界信息的现象。
综上所述可知现有的自由曲面加工区域提取算法可以分为两类：基于原始模型的算法和基于Z-map模型的算法。基于原始模型的算法对自由曲面、组合曲面等复杂模型提取困难，Z-map方法是一种可行的方法，但该类方法还存在边界信息丢失、提取精度不足等问题。
本发明为了解决自由曲面加工区域提取困难，提取精度不足的问题提出了一种基于灰度图像的加工区域提取方法。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于灰度图像的加工区域提取方法。
该方法主要解决了自由曲面加工区域提取困难，二值图像在膨胀之后导致提取精度不足的问题。
本发明所采用的技术方案是：
一种基于灰度图像的加工区域提取方法，该方法内容包括以下步骤：
步骤1：将自由曲面的原始模型进行离散得到Z-map模型；
步骤2：将垂直于Z轴的每一个平面作为所述Z-map模型的每一个截面；
步骤3：使用灰度图像膨胀技术，利用带灰度值的膨胀操作结构元素处理步骤2中通过转化得到的Z-map模型的二值图像，从而得到带边界像素值的Z-map灰度图像；
步骤4：将步骤3所述的带边界像素值的Z-map灰度图像提取出只带有边界的灰度像素，得到Z-map灰度边界像素图像；
步骤5：将步骤4所述的Z-map灰度边界像素图像的灰度像素进行细分得到Z-map灰度像素边界细分图像；
步骤6：将步骤5所述的Z-map灰度像素边界细分图像进行边界像素编码得到带有边界像素编码的Z-map灰度像素边界细分图像；
步骤7：根据Z-map模型的特征以及步骤6所述带有边界像素编码的Z-map灰度像素边界细分图像，得到相应的加工区域边界的图像。
与现有技术相比，本发明的有益效果是：本发明解决了自由曲面加工区域提取困难的问题，以及二值图像在膨胀之后导致提取的精度不足的问题；而且提高了自由曲面加工过程中的加工区域边界的提取精度，从而增加了加工过程中的精度，也增加了分层铣削和3D打印的加工精度。
附图说明
图1为本发明方法流程图；
图2为Z-map模型图；
图3为Z-map二值图像；
图4为带灰度值的膨胀操作结构元素；
图5为带边界像素值的Z-map灰度图像；
图6为Z-map灰度边界像素图像；
图7为Z-map灰度像素边界细分图像；
图8为带有边界像素编码的Z-map灰度像素边界细分图像；
图9为加工区域边界的图像；
图10为加工区域与加工区域边界示意图；
图11为像素细分示意图；
图12为主编码结构元素和子编码结构元素。
具体实施方式
下面结合附图对本发明进行进一步说明。
本发明的一种基于灰度图像的加工区域提取方法，其流程图如图1所示，该方法内容包括以下步骤：
步骤1：将自由曲面的原始模型进行离散得到Z-map模型，如图2所示；
所述Z-map模型是一个矩阵，该矩阵元素是Z-map结点对应的Z坐标；所述Z-map结点为Z-map模型网格中的结点；
步骤2：令垂直于Z轴的任一平面作为所述Z-map模型的截面；通过判断结点对应的矩阵元素与截面Z坐标的位置关系,可以将当前层的Z-map模型转化为二值图像；如图2所示用截面对Z-map模型进行求交，在截面之上的点对应的像素为“1”，在截面之下的点对应的像素为“0”，从而将当前截面的Z-map模型转化为如图3所示的Z-map二值图像；
步骤3：使用灰度图像膨胀技术，利用带灰度值的膨胀操作结构元素处理如图3所示的Z-map模型的二值图像，从而得到如图5所示的带边界像素值的Z-map灰度图像；
所述带灰度值的膨胀操作结构元素如图4所示，它是指将边界像素的前后左右成十字形分别膨胀出一个带有灰度值为0.3的像素；进行膨胀操作时将结构元素中心像素与Z-map二值图像边界像素对齐，若与结构元素其它像素对齐的Z-map二值图像像素值不为“1”，则其膨胀后的像素灰度值为当前灰度值与结构元素非中心像素灰度值之和；若与结构元素其它元素对齐的Z-map二值图像像素值为“1”，则灰度值不变。所述带灰度值的膨胀操作结构元素如图4所示，图中1为中心像素，2为膨胀像素。
步骤4：将如图5所示的带边界像素值的Z-map灰度图像提取出只带有边界的灰度像素，得到如图5所示的Z-map灰度边界像素图像；
步骤5：将如图6所示的Z-map灰度边界像素图像的灰度像素进行细分得到如图7所示的Z-map灰度像素边界细分图像，其实现过程如下：
由图6所示的Z-map灰度边界像素图像的灰度像素，边界像素中灰度值为0.6或0.9的边界像素对应多个边界点，对这些像素点进行细分，以确保每个像素对应一个边界点；当像素值为0.6时，将像素细分为4个像素，每个像素的大小为原来像素的1/4，其中两个灰度值不为“0”；当像素值为0.9时，将像素细分为4个像素，每个像素的大小为原来像素的1/4，其中三个灰度值不为“0”，细分结果如图11所示。
步骤6：将如图7所示的Z-map灰度像素边界细分图像进行边界像素编码得到如图8所示的带有边界像素编码的Z-map灰度像素边界细分图像，其实现过程如下：
如图7所示的Z-map灰度像素边界细分图像需要通过编码建立相邻像素的图谱关系；本发明采用Freeman子编码算法对Z-map灰度像素边界细分图像进行编码；所述Freeman子编码算法定义两个编码结构像素：主编码结构元素和子编码结构元素，如图12所示，进行编码时首先选择像素灰度值为0.3的像素点作为起始点使用主编码结构元素进行编码，若当前像素值为0.6或0.9则启用子编码结构元素对当前像素进行编码。
步骤7：根据Z-map模型的特征以及如图8所示的带有边界像素编码的Z-map灰度像素边界细分图像可以得到如图9所示的相应的加工区域边界的图像。

Claims (4)

1.一种基于灰度图像的加工区域提取方法，其特征在于：该方法内容包括以下步骤：
步骤1：将自由曲面的原始模型进行离散得到Z-map模型；
步骤2：将垂直于Z轴的每一个平面作为所述Z-map模型的每一个截面；
步骤3：使用灰度图像膨胀技术，利用带灰度值的膨胀操作结构元素处理步骤2中通过转化得到的Z-map模型的二值图像，从而得到带边界像素值的Z-map灰度图像；
步骤4：将步骤3所述的带边界像素值的Z-map灰度图像提取出只带有边界的灰度像素，得到Z-map灰度边界像素图像；
步骤5：将步骤4所述的Z-map灰度边界像素图像的灰度像素进行细分得到Z-map灰度像素边界细分图像；
步骤6：将步骤5所述的Z-map灰度像素边界细分图像进行边界像素编码得到带有边界像素编码的Z-map灰度像素边界细分图像；
步骤7：根据Z-map模型的特征以及步骤6所述带有边界像素编码的Z-map灰度像素边界细分图像，得到相应的加工区域边界的图像。
2.权利要求1所述的一种基于灰度图像的加工区域提取方法，其特征在于：在步骤3中，所述带灰度值的膨胀操作结构元素，是指将边界像素的前后左右成十字形分别膨胀出一个带有灰度值为0.3的像素；进行膨胀操作时将结构元素中心像素与Z-map二值图像边界像素对齐，若与结构元素其它像素对齐的Z-map二值图像像素值不为“1”，则其膨胀后的像素灰度值为当前灰度值与结构元素非中心像素灰度值之和；若与结构元素其它元素对齐的Z-map二值图像像素值为“1”，则灰度值不变。
3.权利要求1所述的一种基于灰度图像的加工区域提取方法，其特征在于：在步骤5中，所述将步骤4所述的Z-map灰度边界像素图像的灰度像素进行细分得到Z-map灰度像素边界细分图像，其实现过程如下：
由Z-map灰度边界像素图像的灰度像素，边界像素中灰度值为0.6或0.9的边界像素对应多个边界点，对这些像素点进行细分，以确保每个像素对应一个边界点；当像素值为0.6时，将像素细分为4个像素，每个像素的大小为原来像素的1/4，其中两个灰度值不为“0”；当像素值为0.9时，将像素细分为4个像素，每个像素的大小为原来像素的1/4，其中三个灰度值不为“0”。
4.权利要求1所述的一种基于灰度图像的加工区域提取方法，其特征在于：在步骤6中，所述将Z-map灰度像素边界细分图像进行边界像素编码得到带有边界像素编码的Z-map灰度像素边界细分图像，其实现过程如下：
Z-map灰度像素边界细分图像需要通过编码建立相邻像素的图谱关系；采用Freeman子编码算法对Z-map灰度像素边界细分图像进行编码；进行编码时首先选择像素灰度值为0.3的像素点作为起始点使用主编码结构元素进行编码，若当前像素值为0.6或0.9则启用子编码结构元素对当前像素进行编码。
CN201710858337.XA 2017-09-21 2017-09-21 一种基于灰度图像的加工区域提取方法 Pending CN107680111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710858337.XA CN107680111A (zh) 2017-09-21 2017-09-21 一种基于灰度图像的加工区域提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710858337.XA CN107680111A (zh) 2017-09-21 2017-09-21 一种基于灰度图像的加工区域提取方法

Publications (1)

Publication Number Publication Date
CN107680111A true CN107680111A (zh) 2018-02-09

Family

ID=61136724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710858337.XA Pending CN107680111A (zh) 2017-09-21 2017-09-21 一种基于灰度图像的加工区域提取方法

Country Status (1)

Country Link
CN (1) CN107680111A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884345A (zh) * 2019-02-25 2019-06-14 燕山大学 Afm轻敲模式下表征成像质量的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604446A (zh) * 2009-07-03 2009-12-16 清华大学深圳研究生院 用于疲劳检测的嘴唇图像分割方法及系统
CN102922013A (zh) * 2012-10-25 2013-02-13 南京航空航天大学 基于槽腔特征的飞机结构件高效粗加工方法
CN103914857A (zh) * 2012-12-28 2014-07-09 中国科学院沈阳自动化研究所 一种面向边缘特征保持的图像压缩方法
WO2015161363A1 (en) * 2014-04-25 2015-10-29 Joseph Fisher Imaging abnormalities in vascular response

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604446A (zh) * 2009-07-03 2009-12-16 清华大学深圳研究生院 用于疲劳检测的嘴唇图像分割方法及系统
CN102922013A (zh) * 2012-10-25 2013-02-13 南京航空航天大学 基于槽腔特征的飞机结构件高效粗加工方法
CN103914857A (zh) * 2012-12-28 2014-07-09 中国科学院沈阳自动化研究所 一种面向边缘特征保持的图像压缩方法
WO2015161363A1 (en) * 2014-04-25 2015-10-29 Joseph Fisher Imaging abnormalities in vascular response

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BAOSU GUO ET AL: "A novel algorithm for the extraction of machining areas based on morphological image processing", 《INTERNATIONAL JOURNAL OF COMPUTER INTEGRATED MANUFACTURING》 *
FREEMAN HERBERT: "On the Encoding of Arbitrary Geometric Configurations", 《IRE TRANSACTIONS ON ELECTRONIC COMPUTERS》 *
JIAN-ZHONG YANG ET AL: "Cutting area extraction from a Z-map model", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 *
周刚等: "基于Z-map模型的加工区域边界抽取算法研究", 《中国图像图形学报》 *
李灵华，刘勇奎: "Freeman四方向链码压缩率提高的方法研究", 《计算机工程与设计》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884345A (zh) * 2019-02-25 2019-06-14 燕山大学 Afm轻敲模式下表征成像质量的方法

Similar Documents

Publication Publication Date Title
Demarsin et al. Detection of closed sharp edges in point clouds using normal estimation and graph theory
CN101714262B (zh) 单幅图像的三维场景重建方法
CN108399649A (zh) 一种基于级联回归网络的单张图片三维人脸重建方法
CN102509355B (zh) 一种面向书法汉字的计算机虚拟雕刻方法
CN105678683A (zh) 一种三维模型的二维存储方法
CN105426628B (zh) 一种复杂产品异构模型融合方法
CN103886561B (zh) 基于数学形态学的Criminisi图像修复方法
CN107730587B (zh) 一种基于图片快速三维化交互式建模方法
Guo et al. Application of computer aided modeling design in the expression techniques of sculpture art space
CN111581776B (zh) 一种基于几何重建模型的等几何分析方法
CN107562980A (zh) 一种基于bim模型的几何信息提取方法
CN111612888B (zh) 一种文物建筑图形的自动生成方法、系统及存储介质
CN111028335B (zh) 一种基于深度学习的点云数据的分块面片重建方法
CN104249221A (zh) 激光加工模具表面的方法
Wang et al. Hole filling of triangular mesh segments using systematic grey prediction
CN106270501A (zh) 一种3d打印截面匹配方法、复合成形方法及截面修复方法
CN106671422A (zh) 一种制备生物支架的自适应直接切片方法
CN104143209A (zh) 基于线画图案的三维模型雕刻方法
Zhang et al. Computer‐assisted relief modelling: A comprehensive survey
CN102957936B (zh) 从视频单视点到多视点的虚拟视点生成方法
CN111210520A (zh) 一种用于实物模型的逆向成形方法及系统
CN113269888B (zh) 一种发型三维建模方法、人物三维建模方法及系统
Sourin Functionally based virtual embossing
CN107680111A (zh) 一种基于灰度图像的加工区域提取方法
CN114290660A (zh) 曲面分层式3d打印方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180209

WD01 Invention patent application deemed withdrawn after publication